齿轮箱是旋转机械的关键传动部件,其运行状态将直接影响旋转机械的安全与稳定。一旦出现故障,轻则影响效益,重则导致机毁人亡。齿轮箱通常需要高负荷连续运转,运行环境复杂,导致其产生故障的诱因较多,从而故障概率较高。而齿轮箱中发生故障概率较高的部件当属齿轮和轴承,因此本文将齿轮箱中的主要部件齿轮与轴承作为研究对象,以极限学习机为基础,对特征提取、智能优化算法和模式识别展开研究。主要内容概括如下:针对齿轮箱中齿轮的故障表征不明显且传统分类方法精度低等问题,提出一种基于核主成分分析（KPCA）特征提取和蚁群算法优化极限学习机（ACA-ELM）分类识别相结合的齿轮故障诊断方法。从齿轮箱齿轮的振动信号中提取时域与频域特征构成特征矩阵,因为KPCA方法能够通过融合多个表征齿轮运行状态的特征指标来剔除冗余特征,提取有效的特征指标,因此使用KPCA方法降低特征矩阵维度,保证分类器性能。ELM除了具有高学习精度,还具备非常快的学习速度,并且泛化性能表现良好,逐渐被愈来愈多的应用在故障诊断等领域。针对ELM存在的网络参数随机生成引起的稳定性差问题,使用蚁群算法对其进行参数寻优,构建ACAELM模型,并将该模型应用到齿轮箱中齿轮的故障诊断实验中,与ELM,BP,ACA-BP,GA-ELM模型对比,实验结果表明,该方法分类识别效果与稳定性均表现较好。针对以单一的时域及频域分析为基础进行故障诊断难以对故障进行精准识别的问题,提出一种基于变分模态分解（VMD）与自适应蝙蝠优化算法优化极限学习机（IBA-ELM）的轴承故障分类识别方法。VMD是一种自适应信号分解方法,通过进行仿真分析得到其有效性,并通过实验进行关键参数选取。对齿轮箱中轴承的原始信号进行VMD分解,对分解后的各模态分量提取排列熵和能量熵特征,构成特征矩阵。蝙蝠算法作为一种新型智能优化算法,全局搜索能力强、算法快速收敛,针对其后期易于陷入局部极值问题提出了自适应蝙蝠优化算法（IBA）,将其应用到ELM的网络参数优化上,构建IBA-ELM模型,并将该模型应用到轴承的故障诊断实验中。同时对BP,ELM,BA-ELM,IBA-ELM进行故障诊断对比实验,通过对稳定性与分类准确率的评估表明该方法对于轴承的故障诊断是有效的,具有一定的研究意义。